摘要LLM 归库摘要
- 核心内容： Cellpose 是 MouseLand 维护的通用细胞分割项目，当前主线是 Cellpose-SAM / Cellpose4，强调对不同成像条件、通道顺序、目标尺度和 3D 数据的泛化能力。
- 适用场景： 荧光/明场显微图像中的细胞、细胞核或类器官区域分割；批量图像处理；需要人工修正后继续训练模型的 human-in-the-loop 标注流程。
- 输入： 2D/3D 图像（如 tif/png/jpg/gif）、可选多通道与 Z-stack、用户标注数据、模型类型（如
cyto/nuclei/cpsam_v2/cpdino）、细胞直径与通道设置。- 输出： 分割 masks、GUI 可视化结果、批处理分割结果，以及 Cellpose3/4 流程中常见的
_seg.npy等结果文件。- 关键参数/步骤：
python -m cellpose启动 GUI；python -m pip install cellpose[gui]安装图形界面；3D 数据用python -m cellpose --Zstack；GPU 环境需单独确认 torch/CUDA；新 DINOv3 模型需额外安装dinov3。- 常见错误： torch 装成 CPU 版导致 GPU 不可用；模型权重下载失败；大图/3D 内存不足；通道和直径设置不合理导致过分割或漏分割；许可证信息在 README 徽章、LICENSE 文件与模型/数据声明之间需分别核对。
- 与口腔生信连接： 可作为口腔组织切片、免疫荧光、细胞培养、类器官或空间组学配套显微图像的上游分割工具，为后续单细胞/空间分析、细胞计数、形态定量和区域提取提供基础掩膜。
- 关联页面建议： 后续可整合到 03 生信教程与工具库/02_wiki/tools/显微图像分析/Cellpose 或 03 生信教程与工具库/02_wiki/workflows/显微图像分割/Cellpose 工作流。
- 下一步处理： 如果准备真正上手，建议补一条“本地安装 + 示例图像跑通 + 口腔样本参数记录”的试用笔记，并把常用命令整理成 workflow 页面。
- 归库说明： 分类到 03 生信教程与工具库，置信度 0.93；来源为 GitHub 仓库主页与 README/API 元数据，已标记为暂未试用。
Cellpose（MouseLand）细胞分割项目
项目定位#
- 仓库地址：MouseLand/cellpose
- 官方描述：a generalist algorithm for cellular segmentation with human-in-the-loop capabilities
- 主要语言：Python
- GitHub 状态：2026-06-08 查看时约 2231 stars / 626 forks；默认分支为
main，当天仍有 push 记录，说明项目仍在活跃维护。 - 主页入口：https://huggingface.co/spaces/mouseland/cellpose
- 最近 release：
v4.1.1（2026-03-31）；README 还写了v4.2+ update (June 2026)，说明主线功能仍在继续迭代。
我目前抓到的核心能力#
- 通用细胞/细胞核分割：核心目标是显微图像中的细胞级实例分割，而不是只适配单一组织或单一成像模式。
- Cellpose-SAM / Cellpose4：README 明确强调最新主线是 Cellpose-SAM，并在 2026 年 6 月加入了基于 DINOv3 的新模型（
cpdino、cpdino-vitb）。 - human-in-the-loop 训练：不仅能直接跑预训练模型，还支持人工修正后继续训练自己的模型，适合实验室逐步积累特定样本数据。
- 3D 分割：支持 Z-stack / 3D tiff，说明不只适合常规 2D 显微图。
- 图像恢复能力：Cellpose3 起加入 image restoration，可先做图像恢复再改进分割表现。
- 多入口使用：既能在 GUI 手工交互，也能通过 CLI、notebook、Hugging Face Space 和 GitHub 开发版使用。
安装与运行抓手#
1. 常见安装方式#
- Conda：推荐
conda create --name cellpose python=3.12后再python -m pip install cellpose[gui] - 纯 Python / venv：适合不想装 conda 的情况
- GitHub 开发版：
pip install git+https://www.github.com/mouseland/cellpose.git - 新 DINOv3 模型：需要额外安装
python -m pip install git+https://github.com/facebookresearch/dinov3
2. 常见启动方式#
python -m pip install cellpose[gui]
python -m cellpose
python -m cellpose --Zstack
- Windows 可直接用打包的
cellpose.exe - 如果要做批处理，可通过 CLI 指定目录、通道、保存格式
- 预训练模型首次运行时会自动下载权重
3. 官方给出的关键前提#
- 支持 Linux / Windows / Mac
- 至少 8GB RAM；大图和 3D 体数据可能需要 16–32GB
- 如果走 GPU，必须额外确认 torch 与 CUDA 驱动是否匹配
- README 明确提示：若 GPU 不工作，常见原因是误装了 CPU 版 torch
对生信 / 显微分析的实际价值#
1. 口腔组织与细胞成像上游分割#
如果你后面要处理：
- 口腔鳞癌组织切片中的细胞核轮廓
- 免疫荧光图中的细胞/核分割
- 类器官或培养细胞图像中的细胞计数与形态测量
- 空间转录组配套显微图像中的区域提取
那么 Cellpose 可以作为一个比较通用的上游工具。
2. 对后续分析的连接点#
Cellpose 产出的 masks 可以继续用于：
- 单细胞或空间层面的 ROI 提取
- 细胞密度、面积、圆度、邻域结构等形态学统计
- 下游 CellProfiler / napari / 自定义 Python 脚本的定量分析
- 训练自己的口腔样本专用分割模型
3. 为什么值得单独入库#
它不是一篇一次性教程，而是一个持续维护的“工具基础设施”型项目：
- 有论文线（Cellpose 1/2/3 与 Cellpose-SAM）
- 有代码线（GitHub 仓库）
- 有文档线（ReadTheDocs）
- 有在线体验入口（Hugging Face Space）
- 有 notebook 示例，适合以后直接复现
使用时特别要注意的点#
模型/代码/数据许可要分开看
GitHub API 与 LICENSE 文件正文显示代码许可证是 BSD-3-Clause；但 README 徽章仍显示 GPL v3；同时 README 又说明模型训练数据和标注数据为 CC-BY-NC。如果未来涉及再分发或商业使用，最好分别核对代码、模型权重和训练数据的许可范围。GPU 环境不一定开箱即用
README 虽然给了安装路线，但真正跑通通常还要看本机 torch 版本、CUDA 版本、驱动与显卡是否匹配。大图 / 3D 数据要提前考虑内存
项目明确写了大图和 3D 体数据可能需要 16–32GB RAM，因此不适合毫无准备地直接全量批处理。口腔样本最好记录自己的经验参数
比如不同染色、不同放大倍数下的直径估计、通道选择、是否先做 restoration、是否适合 nuclei 还是 cyto 模型，这些都值得单独记成试用笔记。
相关论文线索#
README 里给出的核心论文包括：
- Cellpose 1.0：Stringer et al., 2021, Nature Methods
- Cellpose 2.0：Pachitariu & Stringer, 2022，强调 human-in-the-loop training
- Cellpose3：Stringer & Pachitariu, 2025，强调 image restoration
- Cellpose-SAM：Pachitariu, Rariden & Stringer, 2025, bioRxiv
这意味着如果后面要系统比较显微图像分割方法，可以把它同时看作：
- 一个工具项目
- 一条持续更新的方法论文谱系
我建议的后续整理方向#
- 如果你准备实际安装：新建一条
Cellpose 试用记录 - 如果你准备沉淀为稳定方法：整理到
显微图像分割workflow 页面 - 如果你准备做方法比较：和 StarDist、CellProfiler、napari 插件、SAM 系分割工具做横向对照